Taste

ระบบเรียนรู้ preference แบบ local-first — จากสัญญาณ accept/reject/edit/lint/test สู่กฎที่ปรับแต่งได้

Taste เรียนรู้สไตล์โค้ดของคุณจากสัญญาณ accept, reject, edit, test, lint และกฎที่ผู้ใช้กำหนด มันรวมกฎสัญลักษณ์, การให้คะแนน preference เชิงความหมาย, และ contextual bandit optimization เพื่อปรับให้ Clew ตอบสนองตรงตามความต้องการของคุณ

มันไม่ได้ fine-tune LLM — การเรียนรู้ทั้งหมดเป็น local, online, และ preference-based

เทคนิคและหลักการ

เหตุใดต้องใช้ Preference Learning แทนที่จะใช้ Prompt เพียงอย่างเดียว?

CLAUDE.md และ system prompt กำหนดกฎแบบ static — ใช้ได้ดีสำหรับกฎที่คุณรู้ล่วงหน้า แต่ไม่สามารถปรับตัวตาม feedback จริงได้:

• คุณไม่รู้ทุกกฎล่วงหน้า — บางทีคุณอาจไม่รู้ด้วยซ้ำว่าตัวเองชอบ pattern แบบไหนจนกว่าจะเห็นผลลัพธ์
• กฎเปลี่ยนตามโปรเจค — React project กับ Python library มีสไตล์ต่างกันโดยสิ้นเชิง
• มนุษย์สื่อสาร preference ได้ไม่สมบูรณ์ — "เขียนโค้ดให้ดี" ไม่ใช่ instruction ที่ชัดเจนพอสำหรับ LLM

Taste เรียนรู้จากพฤติกรรมของคุณแทน — ถ้าคุณ accept output ที่ใช้ const แทน let บ่อยๆ มันจะเรียนรู้ ถ้าคุณ reject หรือแก้ไข มันจะลดน้ำหนัก

Online Feedback Loop — ไม่ใช่ Batch Training

Taste ใช้online learning — เรียนรู้ทันทีจากทุก interaction:

User interaction ──► Signal collector ──► Reward model (+1.0 / -1.0 / +0.4)
                                          │
                                          ▼
                                   Rule confidence update
                                          │
                          ┌───────────────┼───────────────┐
                          ▼               ▼               ▼
                    Confidence ↑    Confidence ↓    Decay if unused
                    (accept/       (reject/edit)    (30 day half-life)
                     test pass)

Multi-Signal Reward Model

ไม่ใช่แค่ accept/reject — ใช้หลายสัญญาณประกอบกัน:

Contextual Bandit — เลือกกลยุทธ์ตามบริบท

ไม่ใช่ทุกงานต้องการสไตล์เดียวกัน — refactor เน้น architecture, bug fix เน้น safety:

• ε-greedy bandit 6 แขน — minimal, strict_style, architecture_first, test_first, safety_first, refactor_heavy
• Context features — วิเคราะห์ task context แล้วเลือกแขนที่ให้ reward สูงสุดในอดีต
• Exploration vs exploitation — ε โอกาสสุ่มลองแขนใหม่ (explore), 1-ε เลือกที่รู้ว่าดี (exploit) — default ε = 0.1
• ทำไมต้อง bandit? — กฎ "use const" อาจขัดกับ "minimal changes" ในบางบริบท Bandit ช่วย balance หลาย objective

Three-Tier Rule Engine

ไม่ใช่ทุกกฎที่สำคัญเท่ากัน — แบ่งเป็น 3 ระดับตาม confidence:

• Tier 1 — Symbolic (≥ 0.85) — block การแก้ไขที่ไม่ตรง: เช่น "ห้ามใช้ any" → block + แจ้งเหตุผล
• Tier 2 — Prompt Injection (≥ 0.55) — ใส่ใน system prompt เป็น <clew_taste> block (max 8 rules)
• Tier 3 — Scored (< 0.55) — ใช้ neural scorer (Jaccard/TF-IDF) เทียบ relevance แต่ไม่ inject

Auto-Learn — AI วิเคราะห์ Codebase

TasteCodebaseAnalyzer อ่าน .editorconfig, biome.json, tsconfig.json, สุ่ม 20 source files, git log 50 commits → ส่งให้ fast model วิเคราะห์ → หา patterns → เสนอเป็น suggestion ให้ผู้ใช้ accept/reject

Decay — ป้องกัน Stale Rules

• Half-life decay — confidence ลดลงครึ่งทุก 30 วันถ้าไม่ใช้
• Cooldown — หลัง reject → cooldown 30 นาทีก่อนเสนอใหม่
• ทำไม? — โปรเจคเปลี่ยน, สไตล์ทีมเปลี่ยน, toolchain upgrade — กฎเก่าอาจไม่เกี่ยวข้องแล้ว

Privacy-First

ทุกอย่าง local — ไม่ส่งข้อมูลไป cloud, event log เป็น append-only JSONL, export/import เกิดเมื่อผู้ใช้สั่งเท่านั้น

สิ่งที่ระบบเรียนรู้

• Code style — formatting, naming conventions, preferred patterns
• Architecture — module structure, dependency direction, layering
• Tooling — preferred build tools, linters, test frameworks
• Testing — test style, coverage expectations, mocking patterns
• Naming — variable, function, and class naming conventions
• Security — safe patterns vs unsafe patterns
• Performance — efficient algorithms, caching, resource management
• UI patterns — component structure, state management, styling approach
• Workflow — commit style, review preferences, deployment habits

สิ่งที่ Taste ไม่ทำ

• ไม่ fine-tune หรือแก้ไข base LLM
• ไม่ส่งข้อมูลไปยัง remote services
• ไม่ block การแก้ไขโดยไม่แสดงเหตุผล
• ไม่แทนที่ memory, skills, หรือ CLAUDE.md

สถาปัตยกรรม

 ╔══════════════════════════════════════════════════════════════════════════════╗
 ║                        TASTE — PREFERENCE LEARNING RUNTIME                   ║
 ╚══════════════════════════════════════════════════════════════════════════════╝

                          ┌──────────────────────────┐
                          │     USER INTERACTION      │
                          │  accept / reject / edit   │
                          │  test pass / lint signal  │
                          └────────────┬─────────────┘
                                       │
         ┌─────────────────────────────┼─────────────────────────────┐
         │                             │                             │
         ▼                             ▼                             ▼
 ┌───────────────┐           ┌───────────────┐           ┌───────────────┐
 │ AcceptReject  │           │ DiffSignal    │           │EditDistance   │
 │ Tracker       │           │ Extractor     │           │ Reward        │
 └───────┬───────┘           └───────┬───────┘           └───────┬───────┘
         │                          │                           │
         └──────────────────────────┼───────────────────────────┘
                                    │
                                    ▼
                         ┌─────────────────────┐
                         │  TasteSignalCollector │
                         │  (unified event hub)  │
                         └──────────┬──────────┘
                                    │
                                    ▼
                         ┌─────────────────────┐
                         │   TasteRewardModel   │
                         │  signal → reward map  │
                         └──────────┬──────────┘
                                    │
                    ┌───────────────┼───────────────┐
                    │               │               │
                    ▼               ▼               ▼
          ┌──────────────┐ ┌──────────────┐ ┌──────────────┐
          │TasteBandit   │ │AutoLearn     │ │TasteDecay    │
          │ε-greedy (6   │ │Engine        │ │confidence ↓  │
          │strategy arms)│ │pattern→rule  │ │over time     │
          └──────┬───────┘ └──────┬───────┘ └──────┬───────┘
                 │                │                │
                 │    ┌───────────┘                │
                 │    │                            │
                 ▼    ▼                            │
          ┌──────────────────┐                     │
          │ TasteRuntime     │◄────────────────────┘
          │ (orchestrator)   │
          └────────┬─────────┘
                   │
     ┌─────────────┼─────────────┬──────────────────┐
     │             │             │                  │
     ▼             ▼             ▼                  ▼
┌─────────┐ ┌──────────┐ ┌──────────────┐ ┌────────────────┐
│Symbolic │ │Neural    │ │PromptInjector│ │ TasteEventLog  │
│Engine   │ │Scorer    │ │injects       │ │ append-only    │
│compile  │ │Jaccard/  │ │<clew_taste> │ │ JSONL          │
│rules→   │ │TF-IDF    │ │block (max 8  │ │                │
│check    │ │relevance │ │rules)        │ │                │
└────┬────┘ └────┬─────┘ └──────┬───────┘ └────────────────┘
     │           │              │
     ▼           │              ▼
┌─────────┐      │     ┌────────────────┐
│validate │      │     │ SYSTEM PROMPT  │
│Edit()   │      └────►│ (taste block)  │
│block if │             │                │
│conf ≥   │             │ → AI adapts    │
│0.85     │             │   output style │
└─────────┘             └────────────────┘


 ═══ CODEBASE AUTO-LEARN ═══

   Codebase ──► TasteCodebaseAnalyzer ──► PatternDetector ──► AutoLearnEngine
                 (อ่าน conventions)        (ค้นหา patterns)    (สร้าง rules)
                                                                    │
                                                                    ▼
                                                            TasteProfileStore
                                                            .clew/taste/profile.json

คำสั่ง

ความเป็นส่วนตัว

• ข้อมูล taste ทั้งหมดอยู่ local
• โปรไฟล์และ event log ใน .clew/taste/ หรือ ~/.clew/taste/
• ไม่ส่งข้อมูลไป cloud หรือ training
• Export/import เกิดเมื่อผู้ใช้สั่งเท่านั้น